一个 32 层、hidden_size=4096、32 个注意力头（head_dim=128）的 decoder-only 模型，用 fp16 做推理，batch=4、序列长度 4096。请算一下：(1) 用标准 MHA 时 KV cache 大约占多少显存；(2) 换成 GQA、KV 头数只有 8 时占多少。并解释 GQA 为什么能在几乎不掉点的情况下把 KV cache 降到 1/4。

面试官在考什么

判断候选人是否真的理解 KV cache 由什么构成（而不是背概念），以及能不能把注意力结构变体和显存/吞吐这个工程后果连起来算。

Transformer 变体

回答框架 · 前两步

1. KV cache = 2(K,V) × 层数 × num_kv_heads × head_dim × 序列长度 × batch × 每元素字节数；MHA 情形 2×32×32×128×4096×4×2B ≈ 8GB
2. GQA（8 个 KV head）同样公式算出约 2GB，正好是 MHA 的 num_kv_heads/num_heads = 8/32 = 1/4，比例只由 KV 头数决定，与 query 头数无关

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• 微调一个大模型时，LoRA 相比全参微调省在哪里？rank 怎么选？为什么它可以在推理时合并回原权重？
• 请说明 SFT、RLHF、DPO 各自解决什么问题。为什么有了 RLHF 还要提 DPO？
• 长文本场景下，上下文窗口装不下时你会怎么办？请对比"截断、分块递归总结、检索"三种方案的代价。
• 你要用大模型做一个每天数百万次调用的线上功能，成本和延迟怎么压？请给出你的优化优先级。
• 一个 32 层 decoder-only 模型，hidden_size=4096，attention head 数 32，KV head 数 8（即 GQA），FP16 推理。现在 batch_size=4、序列长度 8192。请算出 KV cache 占多少显存；如果把 GQA 换成 MHA（32 个 KV head），显存变成多少；并解释为什么现在的模型普遍用 Pre-LN + RMSNorm，而不是原始论文的 Post-LN + LayerNorm。
• 一个 7B 稠密模型，预训练上下文 4K，现在要支持 32K 推理。模型结构：32 层、32 个注意力头、head_dim=128。服务端 8×A100 80G，batch size 固定 16，FP16 权重 + FP16 KV cache。两个问题：(1) 注意力从 MHA 换成 GQA（8 个 KV 头）前后，32K 上下文下单批 KV cache 各是多少？(2) 4K→32K 的位置外推你会选哪种方案，代价是什么？